ABSTRAK
Peningkatan alat trasportasi khususnya kendaraan roda empat (mobil) mengakibatkan peningkatan
volume kendaraan di jalan. Hal ini berdampak pada meningkatnya kemacetan. Selain kemacetan,
peningkatan volume kendaraan berdampak juga pada peningkatan kecelakan lalu lintas. Salah satu
penyebab kecelakan lalu lintas adalah faktor pengendaranya, yaitu kelelahan. Penelitian ini, merancang
sistem pendeteksi kelelahan pengemudi, berdasarkan sinyal biologis pengemudi yaitu sinyal biologis
kondisi otot lengan. Sinyal tersebut direkam dengan menggunakan metode surface EMG. Elektroda yang
ditempelkan disebelah kanan lengan dihubungkan dengan penguat instrumentasi dan digitalisasi melalui
unit pemproses sinyal untuk dapat disimpan kedalam komputer. Kegiatan pengambilan data dilakukan
sebanyak 8 kali dengan jarak tempuh pengemudi sebesar 80 km dari Kota Banjarmasin menuju Kota
Pelaihari. Akuisisi data menggunakan frekuensi sampling sebesar 4 KHz dan diproses secara filter analog
untuk High Pass Filter sebesar 2 KHz dan Low Pass Filter sebesar 500 Hz. Setelah data direkam, sinyal
dilakukan proses downsampling menjadi 1 KHz. Pada proess digital, dilakukan lagi proses pemfilteran
secara Low Pass Filter sebesar 500 Hz. Proses digital selanjutnya adalah melakukan analisis pada domain
frekuensi menggunakan transformasi fourier dengan memakai algoritma fast fourier transform (fft). Hasil
dari transformasi fourier diidentifikasi berdasarkan nilai Mean Power Frequency (MPF). Berdasarkan
hasil perhitungan MPF yang telah dilakukan, diperoleh saat awal berkendara nilai rata-rata MPF nya
adalah sebesar 25,2 Hz sedangkan pada akhir berkendara bernilai sebesar 33,3 Hz. Dengan hasil ini dapat
tergambarkan kondisi pengemudi pada awal mengemudi dan tidak terjadi kelelahan maka nilai frekuensi
yang dominan cenderung lebih rendah jika dibandingkan dengan setelah berkendara atau saat kelelahan.
Pengembangan Sistem Deteksi Kelelahan Pada Pengemudi Mobil Berbasis Sinyal EMG | 18
Jurnal Elemen Volume 3 Nomor 1, Desember 2016 ISSN : 2442-4471
pada sekelompok otot tertentu yang melaksanakan dahulu harus ditransformasi menggunakan Fourier.
kontraksi. Hal ini tentuya akan berakibat sangat fatal Transformasi Fourier (TF) direpresentasikan kedalam
jika pada saat kondisi lelah tetap dipertahankan untuk persamaan matematis seperti pada persamaan 1. TF
mengendarai kendaraan, karena dapat membahayakan berjalan sesuai dengan translasi suatu fungsi dalam
dirinya sendiri dan juga pengguna jalan lainnya [1]. domain waktu kedalam fungsi dari domain frekeunsi.
Untuk dapat mengetahui lebih awal kondisi Hasil perhitungan dari transformasi fourier dapat
pengemudi atas kelelahannya, maka diperlukan sistem dijadikan bahan dalam menganalisa sinyal EMG, karena
yang dapat memberitahukan kepada pengemudi terkait nilai-nilai dari koefisien fourier merupakan hasil dari
kondisinya. Sistem tersebut harus melibatkan frekuensi-frekuensi sinus dan cosinus yang digunakan
pengukuran secara fisiologi tubuh untuk dapat dalam TF [4].
memberikan keputuan yang akurat terhadap pengemudi.
Kondisi kelelahan dapat diketahui melalui kondisi Untuk data diskrit, TF disebut sebagai Discrite
kelelahan otot salah satunya pada kondisi otot lengan, Fourier Transform (DFT). DFT direpresentasikan
dimana otot lengan secara langsung berhubungan kedalam matematis, seperti pada persamaan 2. Pada
dengan tangan yang memegang kemudi secara terus proses perhitungan menggunakan DFT akan memakan
menerus. Otot jika terus menerus bekerja dan dengan proses komputasi yang sangat banyak dan
posisi yang tidak bergerak-gerak tanpa berkontraksi dan menghabiskan waktu yang panjang jika jumlah datanya
berelaksasi maka akan mengalami kondisi kelelahan besar. Sehingga untuk membantu proses perhitungan,
(fatique), sehingga penilaian terhadap fisiologis otot digunakan algoritma cepat dalam menghitung TF, yaitu
dapat berpeluang dalam menilai kondisi kelelahan dengan algoritma Fast Fourier Transform (FFT).
pengemudi. Aktifitas otot, baik itu berkontraksi maupun Parameter yang dapat dibentuk pada domain frekuensi
berelaksasi dapat dievaluasi dan direkam melalui sinyal salah satunya adalah Mean Power Frekuensi (MPF).
electromygram (EMG). Sinyal EMG memiliki MPF merupakan hasil dari penjumlahan bobot
informasi terkait kondisi aktifitas otot, sehingga magnitudo disetiap frekuensi yang dibagi dengan
perekaman sinyal EMG dapat menjadi sebuah tools jumlah magnitudo. MPF dirumuskan seperti pada
yang bisa diamati untuk mengevaluasi kelelahan persamaan 3. Untuk membuat pola MPF sinyal EMG
pengemudi. dapat di klasifikasikan dengan jelas, maka tahap
pengolahan selanjutnya adalah proses windowing.
TINJAUAN PUSTAKA Dengan tujuan untuk mengurangi efek diskotinuitas
sinyal. Dalam proses windowing sinyal EMG digunakan
Otot adalah sebuah jaringan konektif dalam tubuh windowing hamming. Proses windowing merupakan
yang tugas utamanya kontraksi. Kontraksi otot hasil perkalian input sinyal EMG dengan fungsi window
berfungsi untuk memindahkan / menggerakkan bagian - hamming yang ditunjukkan dengan fungsi windowing,
bagian tubuh dan substansi dalam tubuh. Ada tiga [5].
macam sel otot alam tubuh manusia (jantung, lurik dan
polos) namun yang berperan dalam pergerakan
kerangka tubuh manusia adalah otot lurik (otot rangka). F x t X x t e
jt
dt 1
Otot rangka adalah jaringan peka rangsang yang diatur
oleh saraf motorik somatic dalam kesatuan yang disebut N 1 2
DFT x n X k x n e
j kn
syaraf motorik unit (smu). Seperti halnya syaraf – syaraf
N 2
n 0
yang lain, smu juga memiliki ambang rangsang tertentu.
N
Jika rangsang yang diberikan melewati ambangnya,
maka pada syaraf tersebut akan muncul potensial aksi MPF
2 f i mag i
i 1
3
N
dan dihantarkan sebagai impuls [2].
2
i 1
mag i
Karakteristik sinyal EMG mempunyai amplitudo
relatif kecil, yaitu berkisar 10mV dengan frekuensi 20 -
500 Hz, sehingga diperlukan rangkaian penguat, dan METODOLOGI
filter band pass dengan low pass filter 500 Hz dan high
pass filter 20 Hz. Rangkaian penguat bisa berupa Penelitian ini dilakukan berdasarkan tahapan-
differential amplifier berfungsi untuk menangkap sinyal tahapan penting yang dikerjakan dengan berorientasikan
mioelektrik dari otot untuk kemudian dikuatkan. kepada indikator keberhasilan dalam merekam sinyal
Rangkaian ini mempunyai impedansi input yang sangat EMG dan mampu untuk menghasilkan parameter-
rendah sehingga dapat disiasati dengan menggunakan parameter penting dari sinyal EMG tersebut yang dapat
rangkaian instrumentation amplifier [3]. diidentifikasi berdasarkan tiap waktu dari otot lengan
yang memegang kemudi. Untuk mencapai indikator
Untuk dapat menganalisa tingkat kelelahan dari tersebut, maka tahapan-tahapan dalam penelitian ini
otot lengan, maka sinyal EMG perlu untuk dianalisa tergambar pada Gambar 1.
berdasarkan parameter frekuensinya. Sinyal terlebih
Pengembangan Sistem Deteksi Kelelahan Pada Pengemudi Mobil Berbasis Sinyal EMG | 19
Jurnal Elemen Volume 3 Nomor 1, Desember 2016 ISSN : 2442-4471
Pengembangan Sistem Deteksi Kelelahan Pada Pengemudi Mobil Berbasis Sinyal EMG | 20
Jurnal Elemen Volume 3 Nomor 1, Desember 2016 ISSN : 2442-4471
Gambar 2 Aktifitas Pengambilan Data Sinyal Gambar 5 Spektrum Frekuensi Sinyal Biologis Otot
Biologis Otot Pengemudi Kondisi Awal Berkendara
1.2
0.8
Amplitudo
0.4
0.0
-0.4
0 2 4 6 8 10 12
Detik
Gambar 6 Spektrum Frekuensi Sinyal Biologis Otot
Gambar 3 Sinyal Biologis Otot Pengemudi Pada Kondisi Setelah Berkendara
Awal Berkendara
Pengembangan Sistem Deteksi Kelelahan Pada Pengemudi Mobil Berbasis Sinyal EMG | 21
Jurnal Elemen Volume 3 Nomor 1, Desember 2016 ISSN : 2442-4471
dihubungkan dengan penguat instrumentasi dan adanya perbedaan ini, maka dapat disimpulkan bahwa
digitalisasi melalui unit pemproses sinyal untuk dapat pengemudi yang kelelahan memiliki nilai MPF yang
disimpan kedalam komputer. Akuisisi data dilakukan cenderung lebih tinggi daripada sebelum berkendara
dengan menggunakan frekuensi sampling sebesar 4 atau tidak terjadi kelelahan.
KHz. Dengan proses filter analog untuk High Pass Filter
sebesar 2 KHz dan Low Pass Filter sebesar 500 Hz.
Setelah data direkam, pada sinyal dilakukan proses UCAPAN TERIMA KASIH
downsampling menjadi 1 KHz. Pada proess digital,
dilakukan proses filter Low Pass Filter sebesar 500 Hz. Penelitian ini dibiaya oleh dana riset dari Kementrian
Proses digital selanjutnya adalah dengan melakukan Riset Teknologi dan Pendidikan Tinggi Negara
analisis pada domain frekuensi. Untuk melakukannya, Republik Indonesia pada tahun 2016
diperlukan transformasi fourier dengan menggunakan
algoritma fast fourier transform (fft). Hasil dari
transformasi fourier diidentifikasi berdasarkan nilai
Mean Power Frequency (MPF). Penelitian ini DAFTAR PUSTAKA
menggunakan subjek normal laki-laki usia 29 Tahun.
[1] Enoka. Roger M, Duchateau. jacques, 2008, "Muscle
Kegiatan pengambilan data dilakukan sebanyak 8 kali.
fatigue: what, why and how it influences muscle
Berdasarkan hasil perhitungan MPF diperoleh nilai
function", The Journal of Physiology, vol 586, no.
untuk saat awal berkendara nilai rata-rata MPF nya
01, pp. 11-23.
adalah sebesar 25,2 Hz sedangkan pada akhir
berkendara bernilai sebesar 33,3 Hz. Nilai MPF [2] Martini. Frederic H, Nath. Judi L, Bartholomew.
merupakan refresentasi dari nilai frekuensi mana yang Edwin F, 2014, "Fundamentals of Anatomy &
lebih dominan pada spektrum frekuensi sinyal, tentu hal Physiology 10th", Pearson.
ini mengindikasikan nilai frekuensi untuk setiap kondisi
pengemudi, yakni saat awal berkendara nilai frekuensi [3] Webster. John G, 2010, "Medical Instrumentation
yang lebih dominan adalah 25,2 Hz atau lebih rendah application and design fourth edition", Wiley.
dari setelah berkendara. Dengan hasil ini dapat [4] Zawawi. T.N.S.T, Abdullah. A.R, Shair. E.F, Halim.
tergambarkan kondisi pengemudi yakni pada saat awal I, Rawaida.O, 2013,"Electromyography Signal
mengemudi dan tidak terjadi kelelahan maka nilai Analysis Using Spectrogram", IEEE Student
frekuensi yang diminan cenderung lebih kecil jika Conference on Research and Development
dibandingkan dengan setelah berkendara atau saat (SCOReD) 16-17 Desember 2013 Putrajaya
kelelahan. Malaysia. pp. 319 - 324.
Dengan adanya perbedaan yang jelas, maka proses
penetuan kelelahan dapat ditentukan berdasarkan sinyal [5] Dantas. Jose L, Camata. Thiago V, Brunetto. Maria
biologis otot berdasarkan parameter frekuensi A.O.C, Moraes. Antonio C, Abrao. Taufik, Altimari.
sinyalnya. Untuk upaya dalam melakukan pendalaman Leandro R, 2010, "Fourier and Wavelet Spectral
analisis terhadap kelelahan dan untuk dapat menetuan Analysis of EMG signals in Isometric and Dynamic
tingakatan kelelahan maka penelitian ini dapat Maximal Effort Exercise", 32nd Annual
dilanjutkan dengan melakukan penambahan input International Conference of the IEEE EMBS,
parameter sinyal biologis lainnya seperti detak jantung pp.5979-5982.
dan pola pernapasan pengemudi.
KESIMPULAN
Pengembangan Sistem Deteksi Kelelahan Pada Pengemudi Mobil Berbasis Sinyal EMG | 22